Vous pouvez également accéder à LiteRT dans les services Google Play à l'aide des API Java, en plus de l'API native. En particulier, LiteRT sur Google Play sont disponibles via l'interprète LiteRT. API.
Utiliser les API Interpreter
L'API LiteRT Interpreter, fournie par l'environnement d'exécution TensorFlow, fournit une interface à usage général pour créer et exécuter des modèles de ML. Utilisez le pour exécuter des inférences avec l'API Interpreter à l'aide de TensorFlow Lite dans l'environnement d'exécution des services Google Play.
1. Ajouter des dépendances de projet
Ajoutez les dépendances suivantes au code de votre projet d'application pour accéder au Play Store API Services pour LiteRT:
dependencies {
...
// LiteRT dependencies for Google Play services
implementation 'com.google.android.gms:play-services-tflite-java:16.0.1'
// Optional: include LiteRT Support Library
implementation 'com.google.android.gms:play-services-tflite-support:16.0.1'
...
}
2. Ajouter l'initialisation de LiteRT
Initialiser le composant LiteRT de l'API des services Google Play avant d'utiliser les API LiteRT:
Kotlin
val initializeTask: Task<Void> by lazy { TfLite.initialize(this) }
Java
Task<Void> initializeTask = TfLite.initialize(context);
3. Créer un interpréteur et définir une option d'exécution
Créer un interpréteur à l'aide de InterpreterApi.create()
et le configurer pour qu'il utilise
l'environnement d'exécution des services Google Play, en appelant InterpreterApi.Options.setRuntime()
,
comme indiqué dans l'exemple de code suivant:
Kotlin
import org.tensorflow.lite.InterpreterApi import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime ... private lateinit var interpreter: InterpreterApi ... initializeTask.addOnSuccessListener { val interpreterOption = InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) interpreter = InterpreterApi.create( modelBuffer, interpreterOption )} .addOnFailureListener { e -> Log.e("Interpreter", "Cannot initialize interpreter", e) }
Java
import org.tensorflow.lite.InterpreterApi import org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime ... private InterpreterApi interpreter; ... initializeTask.addOnSuccessListener(a -> { interpreter = InterpreterApi.create(modelBuffer, new InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)); }) .addOnFailureListener(e -> { Log.e("Interpreter", String.format("Cannot initialize interpreter: %s", e.getMessage())); });
Vous devez utiliser l'implémentation ci-dessus, car elle évite de bloquer Android
thread d'interface utilisateur. Si vous devez gérer l'exécution des threads de plus près,
Vous pouvez ajouter un appel Tasks.await()
à la création de l'interpréteur:
Kotlin
import androidx.lifecycle.lifecycleScope ... lifecycleScope.launchWhenStarted { // uses coroutine initializeTask.await() }
Java
@BackgroundThread InterpreterApi initializeInterpreter() { Tasks.await(initializeTask); return InterpreterApi.create(...); }
4. Exécuter des inférences
À l'aide de l'objet interpreter
que vous avez créé, appelez la méthode run()
pour générer
une inférence.
Kotlin
interpreter.run(inputBuffer, outputBuffer)
Java
interpreter.run(inputBuffer, outputBuffer);
Accélération matérielle
LiteRT vous permet d'accélérer les performances de votre modèle des processeurs matériels spécialisés, tels que des processeurs graphiques (GPU). Toi peut exploiter ces processeurs spécialisés à l'aide de pilotes matériels appelés délégués.
Le délégué de GPU est fourni via les services Google Play. et qu'il est chargé de manière dynamique, comme les versions Interpreter API.
Vérification de la compatibilité de l'appareil
Tous les appareils ne sont pas compatibles avec l'accélération matérielle GPU avec TFLite. Afin de
pour limiter les erreurs et les plantages potentiels,
TfLiteGpu.isGpuDelegateAvailable
pour vérifier si un appareil est
compatible avec le délégué de GPU.
Utilisez cette méthode pour vérifier si un appareil est compatible avec le GPU et utiliser le processeur comme solution de secours si le GPU n'est pas pris en charge.
useGpuTask = TfLiteGpu.isGpuDelegateAvailable(context)
Une fois que vous disposez d'une variable comme useGpuTask
, vous pouvez l'utiliser pour déterminer si
utilisent le délégué de GPU.
Kotlin
val interpreterTask = useGpuTask.continueWith { task -> val interpreterOptions = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) if (task.result) { interpreterOptions.addDelegateFactory(GpuDelegateFactory()) } InterpreterApi.create(FileUtil.loadMappedFile(context, MODEL_PATH), interpreterOptions) }
Java
Task<InterpreterApi.Options> interpreterOptionsTask = useGpuTask.continueWith({ task -> InterpreterApi.Options options = new InterpreterApi.Options().setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY); if (task.getResult()) { options.addDelegateFactory(new GpuDelegateFactory()); } return options; });
GPU avec API Interpreter
Pour utiliser le délégué de GPU avec les API Interpreter:
Mettez à jour les dépendances du projet pour utiliser le délégué de GPU des services Play:
implementation 'com.google.android.gms:play-services-tflite-gpu:16.1.0'
Activez l'option "Délégué de GPU" lors de l'initialisation de TFlite:
Kotlin
TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build())
Java
TfLite.initialize(context, TfLiteInitializationOptions.builder() .setEnableGpuDelegateSupport(true) .build());
Activer le délégué de GPU dans les options de l'interpréteur: définissez la fabrique déléguée sur GpuDelegateFactory en appelant
addDelegateFactory() within
InterpreterApi.Options()`:Kotlin
val interpreterOption = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) .addDelegateFactory(GpuDelegateFactory())
Java
Options interpreterOption = InterpreterApi.Options() .setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY) .addDelegateFactory(new GpuDelegateFactory());
Migrer depuis la version autonome de LiteRT
Si vous prévoyez de migrer votre application LiteRT autonome vers API des services Play, consultez les conseils supplémentaires suivants pour mettre à jour votre code du projet de l'application:
- Consultez la section Limites de cette page pour vous assurer que est pris en charge.
- Avant de mettre à jour votre code, vérifiez les performances et l'exactitude de votre en particulier si vous utilisez des versions de LiteRT par rapport à la version 2.1. Vous disposez donc d'une référence à comparer la mise en œuvre.
- Si vous avez migré l'ensemble de votre code afin d'utiliser l'API des services Play pour
LiteRT, vous devez supprimer l'environnement d'exécution LiteRT existant.
les dépendances de bibliothèque (entrées avec
org.tensorflow:tensorflow-lite:*
) à partir de votre fichier build.gradle afin de réduire la taille de votre application. - Identifier toutes les occurrences de création d'objet
new Interpreter
dans votre code et modifier chacun d'entre eux pour qu'il utilise l'appel InterpreterApi.create(). La TfLite.Initialize est asynchrone, ce qui signifie que dans la plupart des cas, il ne s'agit pas Remplacement par dépôt direct: vous devez enregistrer un écouteur lorsque l'appel terminé. Reportez-vous à l'extrait de code de l'étape 3. - Ajouter
import org.tensorflow.lite.InterpreterApi;
etimport org.tensorflow.lite.InterpreterApi.Options.TfLiteRuntime;
à n'importe quelle source à l'aide des commandesorg.tensorflow.lite.Interpreter
ouorg.tensorflow.lite.InterpreterApi
. - Si l'un des appels obtenus à
InterpreterApi.create()
ne comporte qu'un argument unique, ajouteznew InterpreterApi.Options()
à la liste d'arguments. - Ajouter
.setRuntime(TfLiteRuntime.FROM_SYSTEM_ONLY)
au dernier argument de les appels àInterpreterApi.create()
. - Remplacer toutes les autres occurrences de la classe
org.tensorflow.lite.Interpreter
avecorg.tensorflow.lite.InterpreterApi
.
Si vous souhaitez utiliser la version autonome de LiteRT et l'API Play Services côte à côte, vous devez utiliser LiteRT 2.9 (ou version ultérieure). LiteRT 2.8 et les versions antérieures ne sont pas compatibles avec la version de l'API des services Play.